[發明專利]一種融合用戶弱痕跡行為偏好的互相關協同過濾方法

有效

• 申請號: 202010932739.1
• 申請日: 2020-09-08
• 公開（公告）號: CN112069419B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 何中杰;陳永森;陸玲霞;朱晨瑞
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種融合用戶弱痕跡行為偏好的互相關協同過濾方法。本發明通過采集點擊、物品被瀏覽時間等弱痕跡行為，構建用戶的評分矩陣和弱痕跡行為矩陣，并將用戶的算術評分均值賦值表示用戶的弱痕跡行為偏好，得到融合用戶弱痕跡行為偏好的評分增強矩陣，更準確地描述用戶行為偏好和物品之間的相關性；進而提出一種改進的互相關系數計算方法，融合熱門懲罰系數構建“用戶?用戶”偏好相似度矩陣，預測用戶對物品的偏好相似度，優化相似偏好物品的推薦排序。本發明改善了傳統協同過濾方法中的數據稀疏問題，降低了用戶評分尺度不一、熱門因素造成非偏好行為等因素對用戶偏好相似度計算的影響，從而有效提高相似偏好推薦結果及排序的準確性。

技術領域

本發明屬于信息智能推薦領域，特別涉及一種融合用戶弱痕跡行為偏好的互相關協同過濾方法。

背景技術

互聯網的高速發展帶來了巨量信息，用戶日常耗費在信息檢索上的時間日益增加。信息智能推薦可以根據用戶的歷史行為分析用戶偏好和潛在興趣，并對信息進行數據挖掘和智能推薦，從而滿足用戶的個性化需求，為用戶節省信息篩選時間。傳統的協同過濾推薦方法是信息智能推薦領域中一種常用方法，分為基于用戶的協同過濾和基于物品的協同過濾兩類：基于用戶的協同過濾通過采集用戶的歷史偏好信息，為用戶尋找有相似興趣的人群，把相似人群喜歡的物品推薦給用戶；基于物品的協同過濾通過采集物品信息，計算物品之間的相似度，把相似物品推薦給不同用戶。傳統協同過濾方法中“用戶-物品”評分矩陣的稀疏性一直是影響推薦準確率的主要難題，尤其隨著互聯網用戶數量和物品數量的指數型增長，稀疏性問題愈加突出；同時，用戶評分尺度不一、熱門因素造成的非偏好行為等問題，也造成了用戶偏好相似度計算的偏差，增加了用戶相似偏好物排序的難度，給傳統的協同過濾方法帶來了新的挑戰。

發明內容

針對現有技術的不足，本發明提出一種融合用戶弱痕跡行為偏好的互相關協同過濾方法，對用戶未評分的物品進行弱痕跡行為偏好賦值；同時對現有的熱門懲罰系數計算方法和用戶偏好相似度計算方法進行改進，在降低數據稀疏性的同時，提高用戶偏好相似度計算和推薦排序算法的準確性。

一種融合用戶弱痕跡行為偏好的互相關協同過濾方法，具體包括以下步驟：

步驟1、構建用戶的評分矩陣和弱痕跡行為矩陣：

假設用戶和物品的數量分別為n和m，而評分值的分數區間為[0,5]，建立用戶弱痕跡行為矩陣B和評分矩陣R_o，矩陣的大小為n*m：

b_i,j＝(x|x∈{0,1}) (1)

r_i,j＝(x|x∈[0,5]) (2)

由是否發生點擊、物品被瀏覽時間確認用戶i對物品j是否產生弱痕跡行為，結果用b_i,j表示，b_i,j＝0表示未產生行為，b_i,j＝1表示產生了弱痕跡行為，將用戶產生點擊行為或物品被瀏覽時間Te判斷為產生了弱痕跡行為，e的取值根據物品類型和場景等進行設定，作為優選，e≥10秒；r_i,j表示用戶i對物品j的真實評分。

步驟2、對評分矩陣進行數據歸一化和再處理：

(1)對評分矩陣進行歸一化處理：

其中，r′_i,j表示歸一化之后的評分值，表示原始評分值。和分別表示評分矩陣R_o中的最大值和最小值，歸一化之后的r′_i,j∈[0,1]。

(2)計算每一個用戶的評分均值：